論文の概要: A Locally Adaptive Algorithm for Multiple Testing with Network Structure
- arxiv url: http://arxiv.org/abs/2203.11461v5
- Date: Mon, 10 Feb 2025 09:42:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-11 14:24:58.939391
- Title: A Locally Adaptive Algorithm for Multiple Testing with Network Structure
- Title(参考訳): ネットワーク構造を用いた複数検定のための局所適応アルゴリズム
- Authors: Ziyi Liang, T. Tony Cai, Wenguang Sun, Yin Xia,
- Abstract要約: 本稿では,広い範囲の補助情報を推論プロセスに統合するフレキシブルなフレームワークを提案する。
LASLAは、ネットワーク構造データによって引き起こされる課題によって、特に動機付けられている。
また、空間的位置や複数の補助的なシーケンスなど、他の種類の側情報に対して非常に効果的であることを示す。
- 参考スコア(独自算出の注目度): 4.441085538537119
- License:
- Abstract: Incorporating auxiliary information alongside primary data can significantly enhance the accuracy of simultaneous inference. However, existing multiple testing methods face challenges in efficiently incorporating complex side information, especially when it differs in dimension or structure from the primary data, such as network side information. This paper introduces a locally adaptive structure learning algorithm (LASLA), a flexible framework designed to integrate a broad range of auxiliary information into the inference process. Although LASLA is specifically motivated by the challenges posed by network-structured data, it also proves highly effective with other types of side information, such as spatial locations and multiple auxiliary sequences. LASLA employs a $p$-value weighting approach, leveraging structural insights to derive data-driven weights that prioritize the importance of different hypotheses. Our theoretical analysis demonstrates that LASLA asymptotically controls the false discovery rate (FDR) under independent or weakly dependent $p$-values, and achieves enhanced power in scenarios where the auxiliary data provides valuable side information. Simulation studies are conducted to evaluate LASLA's numerical performance, and its efficacy is further illustrated through two real-world applications.
- Abstract(参考訳): 一次データとともに補助情報を組み込むことで、同時推論の精度を大幅に向上させることができる。
しかし、既存の複数のテスト手法では、特にネットワーク側情報のような一次データと寸法や構造が異なる場合、複雑な側情報を効率的に組み込むのが困難である。
本稿では,広範囲な補助情報を推論プロセスに統合するフレキシブルなフレームワークである,局所適応型構造学習アルゴリズム(LASLA)を提案する。
LASLAは、ネットワーク構造データによって引き起こされる課題によって特に動機付けられているが、空間的位置や複数の補助的なシーケンスといった他の種類のサイド情報に対して非常に効果的であることも証明している。
LASLAは、異なる仮説の重要性を優先するデータ駆動重み付けを導出するために構造的な洞察を活用する、$p$の重み付けアプローチを採用している。
我々の理論的分析は、LASLAが独立または弱従属な$p$-値の下での偽発見率(FDR)を漸近的に制御し、補助データが貴重な副次情報を提供するシナリオにおいて強化されたパワーを達成することを示す。
LASLAの数値性能を評価するためのシミュレーション研究を行い、その効果を実世界の2つの応用を通して明らかにした。
関連論文リスト
- Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。
本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
論文 参考訳(メタデータ) (2025-02-17T18:04:39Z) - An Information Criterion for Controlled Disentanglement of Multimodal Data [39.601584166020274]
マルチモーダル表現学習は、複数のモーダルに固有の情報を関連付けて分解しようとする。
Disentangled Self-Supervised Learning (DisentangledSSL)は、非角表現を学習するための新しい自己教師型アプローチである。
論文 参考訳(メタデータ) (2024-10-31T14:57:31Z) - Multimodal Structure Preservation Learning [13.868320911807587]
データ表現を学習する新しい方法として,マルチモーダル構造保存学習(MSPL)を提案する。
合成時系列データ中の潜伏構造を解明し,全ゲノムシークエンシングおよび抗菌抵抗性データからクラスターを回収するためのMSPLの有効性を実証した。
論文 参考訳(メタデータ) (2024-10-29T20:21:40Z) - Simple Ingredients for Offline Reinforcement Learning [86.1988266277766]
オフライン強化学習アルゴリズムは、ターゲット下流タスクに高度に接続されたデータセットに有効であることが証明された。
既存の手法が多様なデータと競合することを示す。その性能は、関連するデータ収集によって著しく悪化するが、オフラインバッファに異なるタスクを追加するだけでよい。
アルゴリズム的な考慮以上のスケールが、パフォーマンスに影響を及ぼす重要な要因であることを示す。
論文 参考訳(メタデータ) (2024-03-19T18:57:53Z) - A Structural-Clustering Based Active Learning for Graph Neural Networks [16.85038790429607]
グラフ構造化データに特化して設計された能動学習(SPA)の改善のための構造クラスタリングページランク法を提案する。
SPAは,SCANアルゴリズムを用いたコミュニティ検出とPageRankスコアリング手法を統合し,効率的かつ有益なサンプル選択を行う。
論文 参考訳(メタデータ) (2023-12-07T14:04:38Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2023-09-27T14:39:41Z) - Regularization Through Simultaneous Learning: A Case Study on Plant
Classification [0.0]
本稿では,トランスファーラーニングとマルチタスクラーニングの原則に基づく正規化アプローチである同時学習を紹介する。
我々は、ターゲットデータセットであるUFOP-HVDの補助データセットを活用し、カスタマイズされた損失関数でガイドされた同時分類を容易にする。
興味深いことに,本手法は正規化のないモデルよりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-05-22T19:44:57Z) - Domain Adaptation Principal Component Analysis: base linear method for
learning with out-of-distribution data [55.41644538483948]
ドメイン適応は現代の機械学習において一般的なパラダイムである。
ドメイン適応主成分分析(DAPCA)という手法を提案する。
DAPCAは、領域適応タスクの解決に有用な線形化データ表現を見つける。
論文 参考訳(メタデータ) (2022-08-28T21:10:56Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。
私たちのフレームワークは、サンプル間の関係をよく保存します。
サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文 参考訳(メタデータ) (2020-07-11T10:57:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。